引導尖端科技的「科學神燈」——《追光之旅：你所不知道的同步輻射》

• 作者／賴昭正｜前清大化學系教授、系主任、所長；合創科學月刊

我擔心人工智慧可能會完全取代人類。如果人們能設計電腦病毒，那麼就會有人設計出能夠自我改進和複製的人工智慧。 這將是一種超越人類的新生命形式。

——史蒂芬．霍金（Stephen Hawking）　英國理論物理學家

大約在八十年前，當第一台數位計算機出現時，一些電腦科學家便一直致力於讓機器具有像人類一樣的智慧；但七十年後，還是沒有機器能夠可靠地提供人類程度的語言或影像辨識功能。誰又想到「人工智慧」（Artificial Intelligent，簡稱 AI）的能力最近十年突然起飛，在許多（所有？）領域的測試中擊敗了人類，正在改變各個領域——包括假新聞的製造與散佈——的生態。

圖形處理單元（graphic process unit，簡稱 GPU）是這場「人工智慧」革命中的最大助手。它的興起使得九年前還是個小公司的 Nvidia（英偉達）股票從每股不到 $5，上升到今天（5 月 24 日）每股超過 $1000（註一）的全世界第三大公司，其創辦人（之一）兼首席執行官、出生於台南的黃仁勳（Jenson Huang）也一躍成為全世界排名 20 內的大富豪、台灣家喻戶曉的名人！可是多少人了解圖形處理單元是什麼嗎？到底是時勢造英雄，還是英雄造時勢？

在回答這問題之前，筆者得先聲明筆者不是學電腦的，因此在這裡所能談的只是與電腦設計細節無關的基本原理。筆者認為將原理轉成實用工具是專家的事，不是我們外行人需要了解的；但作為一位現在的知識分子或公民，了解基本原理則是必備的條件：例如了解「能量不滅定律」就可以不用仔細分析，即可判斷永動機是騙人的；又如現在可攜帶型冷氣機充斥市面上，它們不用往室外排廢熱氣，就可以提供屋內冷氣，讀者買嗎？

CPU 與 GPU

不管是大型電腦或個人電腦都需具有「中央處理單元」（central process unit，簡稱 CPU）。CPU 是電腦的「腦」，其電子電路負責處理所有軟體正確運作所需的所有任務，如算術、邏輯、控制、輸入和輸出操作等等。雖然早期的設計即可以讓一個指令同時做兩、三件不同的工作；但為了簡單化，我們在這裡所談的工作將只是執行算術和邏輯運算的工作（arithmetic and logic unit，簡稱 ALU），如將兩個數加在一起。在這一簡化的定義下，CPU 在任何一個時刻均只能執行一件工作而已。

在個人電腦剛出現只能用於一般事物的處理時，CPU 均能非常勝任地完成任務。但電腦圖形和動畫的出現帶來了第一批運算密集型工作負載後，CPU 開始顯示心有餘而力不足：例如電玩動畫需要應用程式處理數以萬計的像素（pixel），每個像素都有自己的顏色、光強度、和運動等, 使得 CPU 根本沒辦法在短時間內完成這些工作。於是出現了主機板上之「顯示插卡」來支援補助 CPU。

1999 年，英偉達將其一「具有集成變換、照明、三角形設定／裁剪、和透過應用程式從模型產生二維或三維影像的單晶片處理器」（註二）定位為「世界上第一款 GPU」，「GPU」這一名詞於焉誕生。不像 CPU，GPU 可以在同一個時刻執行許多算術和邏輯運算的工作，快速地完成圖形和動畫的變化。

依序計算和平行計算

一部電腦 CPU 如何計算 7×5+6/3 呢？因每一時刻只能做一件事，所以其步驟為：

• 計算 7×5；
• 計算 6/3；
• 將結果相加。

總共需要 3 個運算時間。但如果我們有兩個 CPU 呢？很多工作便可以同時（平行）進行：

• 同時計算 7×5 及 6/3；
• 將結果相加。

只需要 2 個運算時間,比單獨的 CPU 減少了一個。這看起來好像沒節省多少時間，但如果我們有 16 對 a×b 要相加呢？單獨的 CPU 需要 31 個運算的時間（16 個 × 的運算時間及 15 個 + 的運算時間），而有 16 個小 CPU 的 GPU 則只需要 5 個運算的時間（1 個 × 的運算時間及 4 個 + 的運算時間）！

現在就讓我們來看看為什麼稱 GPU 為「圖形」處理單元。圖一左圖《我愛科學》一書擺斜了，如何將它擺正成右圖呢？ 一句話：「將整個圖逆時針方向旋轉 θ 即可」。但因為左圖是由上百萬個像素點（座標 x, y）組成的，所以這句簡單的話可讓 CPU 忙得不亦樂乎了：每一點的座標都必須做如下的轉換

x’ = x cosθ + y sinθ

y’ = -x sinθ+ y cosθ

即每一點均需要做四個 × 及兩個 + 的運算！如果每一運算需要 10^-6 秒，那麼讓《我愛科學》一書做個簡單的角度旋轉，便需要 6 秒，這豈是電動玩具畫面變化所能接受的？

人類的許多發明都是基於需要的關係，因此電腦硬件設計家便開始思考：這些點轉換都是獨立的，為什麼我們不讓它們同時進行（平行運算，parallel processing）呢？於是專門用來處理「圖形」的處理單元出現了——就是我們現在所知的 GPU。如果一個 GPU 可以同時處理 10⁶ 運算，那上圖的轉換只需 10^-6 秒鐘！

GPU 的興起

GPU 可分成兩種：

• 整合式圖形「卡」（integrated graphics）是內建於 CPU 中的 GPU，所以不是插卡，它與 CPU 共享系統記憶體，沒有單獨的記憶體組來儲存圖形／視訊，主要用於大部分的個人電腦及筆記型電腦上；早期英特爾（Intel）因為不讓插卡 GPU 侵蝕主機的地盤，在這方面的研發佔領先的地位，約佔 68% 的市場。
• 獨立顯示卡（discrete graphics）有不與 CPU 共享的自己專用內存；由於與處理器晶片分離，它會消耗更多電量並產生大量熱量；然而，也正是因為有自己的記憶體來源和電源，它可以比整合式顯示卡提供更高的效能。

2007 年，英偉達發布了可以在獨立 GPU 上進行平行處理的軟體層後，科學家發現獨立 GPU 不但能夠快速處理圖形變化，在需要大量計算才能實現特定結果的任務上也非常有效，因此開啟了為計算密集型的實用題目編寫 GPU 程式的領域。如今獨立 GPU 的應用範圍已遠遠超出當初圖形處理，不但擴大到醫學影像和地震成像等之複雜圖像和影片編輯及視覺化，也應用於駕駛、導航、天氣預報、大資料庫分析、機器學習、人工智慧、加密貨幣挖礦、及分子動力學模擬（註三）等其它領域。獨立 GPU 已成為人工智慧生態系統中不可或缺的一部分，正在改變我們的生活方式及許多行業的遊戲規則。英特爾在這方面發展較遲，遠遠落在英偉達（80%）及超微半導體公司（Advance Micro Devices Inc.，19%，註四）之後，大約只有 1% 的市場。

事實上現在的中央處理單元也不再是真正的「單元」，而是如圖二可含有多個可以同時處理運算的核心（core）單元。GPU 犧牲大量快取和控制單元以獲得更多的處理核心，因此其核心功能不如 CPU 核心強大，但它們能同時高速執行大量相同的指令，在平行運算中發揮強大作用。現在電腦通常具有 2 到 64 個核心；GPU 則具有上千、甚至上萬的核心。

結論

我們一看到《我愛科學》這本書，不需要一點一點地從左上到右下慢慢掃描,即可瞬間知道它上面有書名、出版社等，也知道它擺斜了。這種「平行運作」的能力不僅限於視覺，它也延伸到其它感官和認知功能。例如筆者在清華大學授課時常犯的一個毛病是：嘴巴在講，腦筋思考已經不知往前跑了多少公里，常常為了追趕而越講越快，將不少學生拋到腦後！這不表示筆者聰明，因為研究人員發現我們的大腦具有同時處理和解釋大量感官輸入的能力。

人工智慧是一種讓電腦或機器能夠模擬人類智慧和解決問題能力的科技，因此必須如人腦一樣能同時並行地處理許多資料。學過矩陣（matrix）的讀者應該知道，如果用矩陣和向量（vector）表達，上面所談到之座標轉換將是非常簡潔的（註五）。而矩陣和向量計算正是機器學習（machine learning）演算法的基礎！也正是獨立圖形處理單元最強大的功能所在！因此我們可以了解為什麼 GPU 會成為人工智慧開發的基石：它們的架構就是充分利用並行處理，來快速執行多個操作，進行訓練電腦或機器以人腦之思考與學習的方式處理資料——稱為「深度學習」（deep learning）。

黃仁勳在 5 月 22 日的發布業績新聞上謂：「下一次工業革命已經開始了：企業界和各國正與英偉達合作，將價值數萬億美元的傳統資料中心轉變為加速運算及新型資料中心——人工智慧工廠——以生產新商品『人工智慧』。人工智慧將為每個產業帶來顯著的生產力提升，幫助企業降低成本和提高能源效率，同時擴大收入機會。」

附錄

人工智慧的實用例子：下面一段是微軟的「copilot」代書、谷歌的「translate」代譯之「one paragraph summary of GPU and AI」。讀完後，讀者是不是認為筆者該退休了？

GPU（圖形處理單元）和 AI（人工智慧）之間的協同作用徹底改變了高效能運算領域。GPU 具有平行處理能力，特別適合人工智慧和機器學習所需的複雜資料密集運算。這導致了影像和視訊處理等領域的重大進步，使自動駕駛和臉部辨識等技術變得更加高效和可靠。NVIDIA 開發的平行運算平台 CUDA 進一步提高了 GPU 的效率，使開發人員能夠透過將人工智慧問題分解為更小的、可管理的、可同時處理的任務來解決這些問題。這不僅加快了人工智慧研究的步伐，而且使其更具成本效益，因為 GPU 可以在很短的時間內執行與多個 CPU 相同的任務。隨著人工智慧的不斷發展，GPU 的角色可能會變得更加不可或缺，推動各產業的創新和新的可能性。大腦透過神經元網路實現這一目標，這些神經元網路可以獨立但有凝聚力地工作，使我們能夠執行複雜的任務，例如駕駛、導航、觀察交通信號、聽音樂並同時規劃我們的路線。此外，研究表明，與非人類動物相比，人類大腦具有更多平行通路，這表明我們的神經處理具有更高的複雜性。這個複雜的系統證明了我們認知功能的卓越適應性和效率。我們可以一邊和朋友聊天一邊走在街上，一邊聽音樂一邊做飯，或一邊聽講座一邊做筆記。人工智慧是模擬人類腦神經網路的科技，因此必須能同時並行地來處理許多資料。研究人員發現了人腦通訊網路具有一個在獼猴或小鼠中未觀察獨特特徵：透過多個並行路徑傳輸訊息,因此具有令人難以置信的多任務處理能力。

註解

（註一）當讀者看到此篇文章時，其股票已一股換十股，現在每一股約在 $100 左右。

（註二）組裝或升級過個人電腦的讀者或許還記得「英偉達精視 256」（GeForce 256）插卡吧?

（註三）筆者於 1984 年離開清華大學到 IBM 時，就是參加了被認為全世界使用電腦時間最多的量子化學家、IBM「院士（fellow）」Enrico Clementi 的團隊：因為當時英偉達還未有可以在 GPU 上進行平行處理的軟體層，我們只能自己寫軟體將 8 台中型電腦（非 IBM 品牌！）與一大型電腦連接來做平行運算，進行分子動力學模擬等的科學研究。如果晚生 30 年或許就不會那麼辛苦了?

（註四）補助個人電腦用的 GPU 品牌到 2000 年時只剩下兩大主導廠商：英偉達及 ATI（Array Technology Inc.）。後者是出生於香港之四位中國人於 1985 年在加拿大安大略省成立，2006 年被超微半導體公司收購，品牌於 2010 年被淘汰。超微半導體公司於 2014 年 10 月提升台南出生之蘇姿豐（Lisa Tzwu-Fang Su）博士為執行長後，股票從每股 $4 左右，上升到今天每股超過 $160，其市值已經是英特爾的兩倍，完全擺脫了在後者陰影下求生存的小眾玩家角色，正在挑戰英偉達的 GPU 市場。順便一題：超微半導體公司現任總裁（兼 AI 策略負責人）為出生於台北的彭明博（Victor Peng）；與黃仁勳及蘇姿豐一樣，也是小時候就隨父母親移居到美國。

（註五）或。

延伸閱讀

• 「熱力學與能源利用」，《科學月刊》，1982 年 3 月號；收集於《我愛科學》（華騰文化有限公司，2017 年 12 月出版），轉載於「嘉義市政府全球資訊網」。
• 「網路安全技術與比特幣」，《科學月刊》，2020 年 11 月號；轉載於「善科教育基金會」的《科技大補帖》專欄。

《侏羅紀公園》系列電影掀起大家對恐龍的好奇，但其實科學家早就在研究遠古時代的各種生物。以恐龍為例，平均每星期會發現一種新種恐龍，每年大約會發現五十種新種恐龍。而在探討物種起源及鑑定遠古生物領域，同步輻射分析技術也展現了它的獨特價值。

例如，南非威特沃特斯蘭德大學（University of the Witwatersrand）領導的國際科學家團隊，針對一些世界上最古老的恐龍蛋胚胎頭骨，進行 3D 複製重建，發現牠們的頭骨生長順序與當今的鱷魚、雞、烏龜和蜥蜴相同，研究成果發表在《科學報導》（Scientific Reports）上。

在台灣，由加拿大多倫多大學教授賴茲（Robert Reisz）與台灣學者組成國際團隊，花費兩年時間，運用超高解析二維紅外光譜顯微術，在活躍於一億九千五百萬年前的雲南祿豐龍胚胎股骨化石中，發現殘留有機物，找到古化石內保存複雜有機物的最古老紀錄。這個破天荒的發現在 2013 年登上了《自然》（Nature）雜誌封面。

此外，在祿豐龍肋骨化石的微血管通道中，國輻中心研究員李耀昌也發現全球最古老且保存完整的膠原蛋白與赤鐵礦微粒聚晶。

「即使經過億萬年時空轉換，恐龍的軟組織經血液中鐵的氧化及碳酸鈣化包覆作用後，還是有機會被保存下來，」李耀昌表示，這將有助科學家進一步了解恐龍的生理機能與遺傳密碼。

李耀昌團隊將成果發表於《自然通訊》（Nature Communications）期刊，並獲選為《發現》（Discover）雜誌「 2017 年全球百大發現」第十二名，是近年來台灣學者主導的研究成果首度登上《發現》雜誌全球百大發現。

發現牙齒裡的避震器

恐龍胚胎裡有膠原蛋白，恐龍的嘴巴裡則是自帶「避震器」。

國輻中心團隊與台灣博物館、台灣石尚博物館、中國大陸北京自然博物館、加拿大安大略皇家博物館，以及中國大陸地質科學院地質研究所合作，蒐集十五種肉食性與植食性恐龍牙齒，利用同步輻射穿透式 X 光顯微術與現代的眼鏡凱門鱷牙齒進行研究比對，首度發現肉食恐龍牙齒具有避震結構。

在肉食性恐龍牙齒的琺瑯質與象牙質中間，存在一層相對柔軟且布滿微細孔洞的被覆牙本質層，可以保護牙齒，避免因撕裂骨肉造成牙齒瞬間斷裂。這項研究結果修正了過去對於原始爬蟲類牙齒結構的認知，因此登上國際知名期刊《科學報導》（Scientific Reports）與各大媒體。為了蒐集恐龍牙齒進行研究比對，國輻中心研究員王俊杰透露了一段小故事。

「當時我到桃園興仁花園夜市拜訪鱷魚攤，沒想到使用斜口鉗幫鱷魚拔牙時，斜口鉗當場應聲斷裂，只好再買一把硬度更高的老虎鉗，費了好大一番功夫才順利拔下鱷魚牙齒。」

牙齒的特殊結構，使得肉食恐龍成為頂尖獵食者，稱霸地表一億六千五百萬年。相較於人類咬合力約為 40 公斤、眼鏡凱門鱷咬合力約 1,000 公斤，以及咬合力可達 2,000 公斤、目前世上咬合力最大的動物—— 灣鱷，「暴龍的咬合力約 6,000 公斤，且拖行的獵物體重可能超過 1 公噸，但靠著微小的避震結構設計，便不致因巨大應力而造成牙齒斷裂，」王俊杰說。

遠古生物的活動型態一直是科學家亟欲解開的謎題，透過同步光源高解析度檢測技術，可以幫助我們了解古生物化石組織結構的細微差異，提供了一種嶄新的古生物分類與古生態研究檢測方法，而藉由恐龍胚胎化石中探測到的有機質殘留物，未來將可逐步解開更多遠古生物的奧祕。

——本文摘自《追光之旅：你所不知道的同步輻射》，2021 年 8 月，天下文化。

• 本文轉載自科技大觀園，原文為《為什麼義大利名琴的音色難以複製？》
• 作者 / 文詠萱｜科技大觀園特約編輯

戴桓青小時候學過幾年小提琴，但並不在行；在美國加州理工學院念博士班時，有位會拉小提琴的同學選擇以此為科普文章題目，發現很多名琴研究都是德州農工大學教授納吉瓦里 (Joseph Nagyvary) 所著，兩人決定利用耶誕假期前往拜訪，沒想到從此與小提琴研究締結不解之緣。戴桓青延續已退休的納吉瓦里針對小提琴木材的相關研究，分析名琴修復時留下的木屑，研判小提琴好聽的秘密，可能就存在小提琴的木材中。

名琴的音色秘密在木板？

戴桓青總共分析了八把史特拉底瓦里小提琴 (Stradivarius) 與二把耶穌．瓜奈里小提琴 (Guaneri del Gesù) 的木材，這兩類名琴在製琴界、演奏界皆以音色優美聞名。針對音色的定義，戴桓青表示：「聲音的屬性除了音高跟音量外，其他都叫做音色。音色很主觀，雖然科學家還不知道要怎麼去定義、分析音色，但演奏家對於音色上的共識認知是存在的，很少人會說其他琴比這兩種名琴好聽。」

世界上的木材上千萬種，而小提琴的木材萬中選一。前板得使用阿爾卑斯山南麓的雲杉，背板使用來自巴爾幹半島或是義大利平地的楓木。戴桓青針對木材解釋：「先前納吉瓦里教授分析這些名琴的光譜，發現這些製琴師應該不是直接使用天然木材，而是有經過處理，我們延續他的研究。過去針對這些名琴的研究，都是以研究幾何形狀為主，小提琴有很多曲線、細微的比例、木板不平均的厚度等，但大家模仿出來後，還是沒有辦法做到和這些名琴一樣的聲音，所以我們認為往材料的方向研究是正確的。」

製琴小鎮的配方對決

300 年前製琴師都在義大利北部的克里蒙納 (Cremona) 小鎮中製琴，「我們已經發表的論文，主要在分析這幾把名琴的背板楓木，發現木材確實有做過化學處理，但並不確定是由供應木材的供應商所處理，還是由製琴師處理。」

至於前板雲杉，戴桓青的研究尚未發表，但針對木材處理來源，交叉比對後發現，那些化學處理的痕跡，應為每位製琴師的秘密配方。「近期的研究發現，小提琴三大家族所做出來的琴，配方都很明顯不一樣，也都相當複雜，因此可以排除是由木材供應商處理的可能性。這也相當合理，因為克里蒙納人很少，製琴的人彼此會互相競爭，各自有各自的配方並不奇怪。」

外型幾何容易模仿，但木材的化學處理就很難用肉眼看出來。「配方我們尚未解出來，製琴是一項工藝，順序也是很關鍵的一件事，配方有可能很複雜地先泡再洗掉，還要考慮溫度、pH 值、處理時間等，沒有辦法從現在的化學分析回推工序與配方。」戴桓青用食物當做各家配方的例子：「就像炸雞排，每家店的原料都差不多，但炸出來味道都不一樣，你不可能買一塊雞排回來分析，就知道他的工序。」

影響琴聲音的可能性

也有許多研究是針對名琴的塗漆，想知道漆對聲音的影響，或是模仿名琴塗漆，看看是否能複製出名琴的聲音。對此，戴桓青認為，「塗漆是一定有影響的，上不同的漆會有不同的差別。但研究名琴塗漆這麼多年，漸漸發現裡面的成分都是我們已知的，但就是沒辦法只透過模仿塗漆和模型，複製出名琴的聲音。」

世界上有許多木製的樂器，很少會聽到樂器放越久越好聽。「我問過很多專家，只有兩種樂器會放久了聲音變好聽，一種是中國古琴，另一種就是義大利小提琴。至於為什麼會有這個現象，目前還有沒人理解，需要更多的研究。而有些樂器本來設計就不是可以用很久的，例如古箏。」

關於小提琴纖維素分子研究，戴桓青團隊利用「同步輻射」小角度 X 光散射探照，發現琴的木頭纖維素是會重新排列的，「我們針對小提琴的木頭分析，發現纖維素分子之間本來有半纖維素把它們區隔開來，但隨著時間過去，半纖維素會自然分解，纖維素會重新排列。至於這件事對聲音的確切影響，目前還不是很清楚，只知道老的琴會有這樣的現象。」

針對這樣的研究，難免有人會懷疑這些名琴是不是真的比較好聽，畢竟這不是隨隨便便就可以聆聽現場演奏的珍品。戴桓青表示：「事實上，確實要近距離地聽很多把名琴來演奏，才能感受到他們的差異。可是通常一位演奏家表演或比賽，只會帶一兩把琴出門。若真的要做相關研究，首先盲測畢竟有其限制，且『音色』是人類很不了解的領域，很難用科學的方法去解釋和比較。」